综述：面向生命周期的基于大语言模型的智能体综述：工作流、图增强及未来方向

《Neurocomputing》：A lifecycle-oriented survey of LLM-based agents: Workflow, graph augmentation, and future directions

　　

摘要

大语言模型（LLM）日益成为人工智能智能体的认知核心，使这些系统能够感知环境、推理目标并执行动作。这一转变确立了基于 LLM 的智能体作为构建自适应和自主人工智能系统的一个有前景的范式。然而，在开放、动态和长视野环境中部署此类智能体仍受到接地不足、推理效率低、工具幻觉以及与持久内存存储相关的安全风险的制约。现有的综述考察了关键智能体模块，但其以模块为中心的框架对智能体生命周期内的跨阶段协调探索不足。为了弥补这一空白，本综述提出了一种生命周期导向框架，将基于 LLM 的智能体视为迭代系统，而非孤立功能模块的集合。在此框架内，我们将图增强的大语言模型智能体（GLA）定位为基于 LLM 的智能体的结构感知扩展。在 GLA 中，显式关系表示作为工具编排、记忆组织与检索以及长视野规划 的认知脚手架。我们通过回顾工具使用、记忆和规划的实现框架、GUI 智能体应用和评估基准来进一步操作化这一生命周期框架。最后，我们确定可靠性、效率、持久内存安全性和可扩展性是推进基于 LLM 的智能体走向多智能体生态系统和具身智能的关键挑战。

引言

大语言模型（LLM）已成为现代人工智能系统的基础组件，在推理 [1], [2]、规划 [3], [4]、决策 [5], [6] 和自然语言交互 [7], [8] 方面提供强大能力。在选定的、受限的基准测试中，LLM 已展现出强大的问题解决能力，其在某些定义狭窄的任务上的性能接近甚至超过了报告的人类基准 [9], [10]。然而，在开放、动态和长视野环境中解决复杂任务需要超越独立 LLM 的内在能力 [11], [12]。为了将它们的推理和语言理解能力转化为智能体行为，LLM 可以作为智能体架构的认知核心，该架构整合了用于记忆、感知、工具使用、规划、执行和反馈的功能模块 [12], [13], [14]。这种整合推动了基于 LLM 的智能体的出现，它们在智能体生命周期中协调这些模块，以感知环境、推理目标、规划和执行动作，并通过反馈驱动的自我演化来完善其行为 [13], [15]。

基于 LLM 的智能体已被日益应用于软件工程 [16], [17]、游戏 [18], [19]、科学发现 [20], [21]、具身人工智能 [22], [23], [24] 和图形用户界面（GUI）交互 [25] 等各个领域。在这些领域中，任务成功往往依赖于生命周期级别的协调，而不仅仅是孤立组件的性能。因此，应将基于 LLM 的智能体分析为端到端系统，其中初始化、能力获取、环境接地、自主动作和反馈驱动的精炼紧密耦合。生命周期级别的协调在 GUI、具身和软件工程智能体中尤为明显，在这些智能体中，长视野任务需要持续的状态更新、动作选择、执行监控和错误恢复。这些观察表明，纯粹以模块为中心的分析不足以解释基于 LLM 的智能体系统如何端到端运行。然而，现有综述尚未充分捕捉这种生命周期级别的协调。虽然先前的综述全面回顾了基于 LLM 的智能体，但它们主要将这些系统视为孤立功能组件的集合。一些研究提供了基于 LLM 的智能体主要模块的分类 [12], [26], [27]，而其他研究则专注于特定模块，如记忆 [28], [29]、规划 [30], [31]、工具使用 [32], [33] 或多智能体协作 [34], [35]。这些观点很有价值，但它们对如何在智能体构建、运行和演化过程中协调不同模块提供的见解有限。

除了缺乏生命周期级别的分析外，另一个重要缺口涉及图增强的大语言模型智能体（GLA）这一新兴范式。当前基于 LLM 的智能体的许多局限性因缺乏显式结构表示而加剧，这些结构包括工具可组合性、记忆关系、任务依赖性和执行状态。例如，大规模工具集的平坦文本描述可能会饱和上下文窗口并降低工具检索效率 [36], [37]；基于向量的记忆机制可能无法保留复杂的关系结构 [38], [39]；线性任务分解策略往往难以处理并行依赖、回溯和长视野规划 [40], [41]。图结构提供了一种表示此类依赖关系的自然机制，使智能体能够以更有结构和可解释的方式组织工具、记忆、任务和推理状态。在此意义上，GLA 中的图增强应被理解为不仅仅是一种辅助技术，而是复杂环境中基于 LLM 的智能体的新兴认知基础设施。然而，现有综述很少将图增强作为协调基于 LLM 的智能体中工具依赖、记忆关系、任务结构和推理状态的生命周期级机制来考察。在本综述提出的生命周期框架中，图增强与工具使用能力、记忆组织与检索以及自主动作尤其相关。这些模块要求智能体处理工具依赖性和可组合性约束、语义和时间记忆关系，以及子任务、执行状态和动作转换之间的结构关系。因此，有必要对图增强机制进行专门分析，以阐明显式结构表示如何改善工具编排、关系记忆、结构化检索、任务分解和长视野规划。

为了弥补这些空白，本综述提供了基于 LLM 的智能体的生命周期导向和结构感知综述。主要贡献有四点。（i）我们不是独立总结智能体组件，而是制定了一种生命周期导向的工作流框架，解释智能体先验、能力获取、感知、自主动作和自我演化如何随时间被初始化、激活、协调和精炼。（ii）我们将 GLA 识别为一种新兴的结构感知范式，并将代表性图机制映射到关系依赖最关键的周期模块中，包括工具使用能力、记忆组织与检索以及自主动作。（iii）我们通过比较代表性智能体开发框架并分析移动和桌面环境下的 GUI 智能体，将架构分析与实际实现和应用联系起来。（iv）我们综合了工具使用、记忆和规划的评估指标和基准，并讨论了构建可靠、安全和可扩展的基于 LLM 的智能体系统的关键局限性和未来研究方向。

本综述的其余部分组织如下。第 2 节介绍基于 LLM 的智能体和 GLA，阐明它们的发展轨迹和核心动机。第 3 节提出了工作流框架，并讨论智能体先验、能力获取、感知、自主动作和自我演化。第 4 节提供了生命周期导向的 GLA 综述，重点关注图增强工具使用能力、记忆组织与检索以及自主动作。第 5 节讨论实现框架、GUI 智能体和评估方法论。第 6 节分析关键局限性、代表性问题和未来研究方向。最后，第 7 节总结本综述。

章节摘要

背景

本节回顾了基于 LLM 的智能体的发展轨迹和核心机制，考察了它们在复杂长视野任务中的结构瓶颈，并将 GLA 定位为基于 LLM 的智能体研究中新兴的结构感知方向。

基于 LLM 的智能体工作流程

基于 LLM 的智能体已被广泛应用于不同领域的复杂任务。我们从生命周期视角出发，将其典型工作流程组织为五个相互关联的功能：智能体先验、能力获取、感知、自主动作和自我演化。这一五部分框架反映了智能体被初始化、装备、情境化、运行和改进的基本过程。具体来说，智能体先验定义了初始身份、目标和

基于生命周期视角的图增强 LLM 智能体系统

本节通过第 3 节提出的生命周期导向工作流框架来考察 GLA。我们不是将图增强视为一项独立技术，而是使用此框架来阐明显式图结构在何处最直接地贡献于智能体构建、运行和适应。因此，通过关注关系表示起核心作用的生命周期模块，我们提供对 GLA 的结构感知视角。我们关注工具使用能力、记忆

实现框架、应用与评估

基于第 3 节介绍的框架，本节考察生命周期视角如何反映在实现框架、GUI 智能体应用和评估方法论中。具体而言，第 5.1 节回顾了主流实现框架，并讨论它们如何支持模块协调，包括工具集成、记忆访问和持久化、工作流编排、反馈路由和人机回路控制。第 5.2 节将 GUI 智能体分析为一种

讨论

尽管基于 LLM 的智能体研究取得了重大进展，但该领域仍处于新兴阶段，并继续面临持续挑战。基于 LLM 的智能体的许多故障应被理解为生命周期级别的故障，而不是孤立的模块级别缺陷，因为工具感知、记忆检索、规划或执行中的错误可以在后续阶段传播，并通过反馈回路被放大。本节首先分析工具方面的现有局限性

结论

基于 LLM 的智能体正在将 LLM 从被动的语言生成器转变为具备感知、推理、动作和反馈驱动适应能力的自主系统。本综述提出了一种生命周期导向的工作流框架，将基于 LLM 的智能体组织为五个核心模块：智能体先验、能力获取、感知、自主动作和自我演化。通过强调生命周期级别的协调，该框架将基于 LLM 的智能体分析从组件

CRediT 作者贡献声明

陈康: 写作 – 审阅 & 编辑，写作 – 原始草案，可视化，监督，方法论，形式分析，概念化。 李坤岩: 写作 – 原始草案，资源，方法论，形式分析，概念化。

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本文报告的工作。

陈康获得计算机科学与技术硕士学位。他目前是中国湖北武汉华中师范大学教育技术学的博士研究生。他曾在《模式识别快报》和《计算机期刊》等期刊上发表论文。他的研究兴趣包括自然语言处理和基于 LLM 的智能体。

陈康 | 李坤岩

华中师范大学人工智能教育学院，中国湖北武汉，430079